OpenAIs Sprach-KI wartet nicht mehr auf Ihren Gesprächszug — $0,05 pro Minute

Jede Sprach-KI auf dem Markt sagt einem heute, man solle warten, bevor man spricht. OpenAIs GPT-Live-1 tut das nicht. Das Modell, das über die OpenAI-API verfügbar ist, hört zu und spricht gleichzeitig – es verarbeitet Unterbrechungen, Pausen und überlappende Sprache so, wie ein Mensch es in einem Telefonat tut.

Die Preisgestaltung liegt bei 0,05 Dollar pro Minute für die Sprachschicht – 1,50 Dollar für ein 30-minütiges Gespräch oder 50 Dollar pro 1.000 Gesprächsminuten. Entwickler zahlen separat für ein Reasoning-Backend: OpenAIs eigenes GPT-6 Astra oder jedes kompatible Modell, das Tool-Aufrufe und Geschäftslogik übernimmt. Die Sprachschicht verwaltet die Gesprächsmechanik; die Reasoning-Schicht entscheidet, was die KI tatsächlich sagt und tut.

Was diese Trennung in der Praxis bedeutet: Ein Kundendienst-Bot kann mitten im Satz hören „Warten Sie, ich möchte eigentlich die andere Option“ und darauf reagieren, anstatt stur eine vorbereitete Antwort herunterzuspulen. Ein Sprachlehrer kann einen Schüler dabei erwischen, wie er über ein Wort stolpert, ohne darauf warten zu müssen, dass er fertig ist. Ein Buchungssystem kann die Art von realen Telefonaten bewältigen, bei denen Menschen sich wiederholen, ihre Meinung ändern und durcheinanderreden.

Im Full Duplex Bench – der eigens entwickelten Evaluierung zur Prüfung der gleichzeitigen Sprachverarbeitung in beide Richtungen – erzielt GPT-Live-1 30 Prozentpunkte mehr als sein Vorgänger GPT-Realtime-2.1. In Kombination mit GPT-6 Astra als Reasoning-Backend übertrifft es Tau3, den Kundendienst-Benchmark, der komplexe, mehrschrittige Anfragen ohne Gesprächspausen testet.

Die zweischichtige Architektur spiegelt eine bewusste Designentscheidung wider. Sprach-Timing und Reasoning werden getrennt abgerechnet, weil sie unterschiedlich skalieren: Ein Startup, das eine leichte Nachhilfe-App baut, zahlt in beiden Schichten weniger als ein Unternehmen, das Tausende gleichzeitiger Kundendienstanrufe auf GPT-6 Astra abwickelt. Die Untergrenze liegt bei 0,05 Dollar pro Minute für die Sprachschicht, unabhängig davon, was dahinterläuft.

Was GPT-Live-1 nicht ändert, ist die Qualität der Antworten. Die Sprachschicht regelt, wann und wie die KI spricht – nicht, was sie weiß. Eine gut getimte schlechte Antwort bleibt eine schlechte Antwort. Entwickler, die Kundendienstanwendungen bauen, müssen beide Schichten getrennt bewerten, und das Reasoning-Backend kann die Rechnung stärker belasten als die Sprachschicht selbst. OpenAI hat zudem keine Daten veröffentlicht, wie die Vollduplex-Architektur in Umgebungen mit niedriger Bandbreite oder auf verrauschten Telefonleitungen abschneidet, wo kontinuierlicher Audio-Input schwieriger aufrechtzuerhalten ist.

GPT-Live-1 ist ab sofort in der OpenAI-API verfügbar. Das Unternehmen hat kein endkundenorientiertes Produkt auf Basis des Modells angekündigt, aber angedeutet, dass zukünftige Versionen des Sprachmodus von ChatGPT auf derselben zugrundeliegenden Architektur aufbauen könnten. Der Satz von 0,05 Dollar pro Minute gilt zum Start; OpenAI hat weder einen Zeitplan für Preisänderungen noch eine Liste der für die Sprachschicht zugelassenen Reasoning-Modelle von Drittanbietern veröffentlicht.

Schlagwörter: künstliche Intelligenz, OpenAI, Sprach-KI, API, Full-Duplex-Audio, GPT-Live-1